从「建一个智能体」到「领一个岗位」
9 月 11 日，Salesforce 发布一组围绕具体岗位设计的 Agentforce 智能体，而不是又一个通用聊天框。七款分别是：客服场景的 Casey、IT 与 HR 服务的 Paige、购物助手的 Carter、外呼销售的 Hunter、供应链与后台编排的 Marshall、入站线索生成的 Piper，以及客户体验的 Fin。除 Hunter 仍在试点、计划 11 月全面可用外，其余多数现已可用。每家企业的智能体都能按自身业务改名、嵌进既有的 Customer 360 上下文与流程里。
这套做法的核心，是把「智能体该具备哪些技能、动作和数据模型」提前打包到岗位里。企业拿到的不再是一张空白画布，而是一个已经会干某类活的同事。它直接对冲一个反复被调研证实的痛点：企业不缺想用智能体的意愿，缺的是把它配置上线、跑出结果的速度。Futurum 在 2026 上半年的调查中，64.9% 的决策者把自主智能体列进技术优先级前三，55.1% 把「更快看到价值」视为预算信心的来源。预配置岗位 Agent，卖点正在于压缩从投资到产出的距离。
长期运行时：让目标跨天数周地追
这一轮里更值得工程侧留意的，是长期运行时（long-horizon runtime）。Salesforce 给出的例子是：销售可以让 Hunter 去「抢救季度末的风险订单」，Hunter 会把这句话变成一个可度量的目标、拆出计划、决定需要哪些工具和上下文，并标注哪些环节可以自主行动、哪些必须等人审批。它依靠三块能力：记忆跨会话保留上下文与进度；持久执行让计划随时间推进、可恢复也可纠偏；动态纠偏根据人的反馈调整行为。
这说明平台开始承认一个现实：很多企业高价值工作，天生不在一次对话里结束。一个采购周期、一段销售推进、一次跨部门的合规核对，都要跨天甚至跨周。过去大多数智能体框架擅长的是单轮闭环，而把「目标挂起、过几天再接着干」这件事交给了应用方自己补。Salesforce 把它收进平台层，等于把长程任务从应用负担变成平台能力。
编排、技能与优化，三层一起补齐
与岗位 Agent 同批，平台还放出几块能力。多智能体编排（Multi-Agent Orchestration）现已可用，让不同 Agent 像一支团队那样协同；Agentforce Coworker 里的 AI Skills 与持续优化的 Agent Optimizer 都定在 10 月可用，前者让员工把「某件事怎么做」教一次、再扩展到整个团队，后者专门用来构建、测试并打磨其他智能体。
更底层的是 Agent Script：一份开源的、描述智能体行为用的语言。它把 AI 的推理与确定性规则写在一起，让企业能对「什么时候自主、什么时候升级给人」做细粒度控制。对受监管行业而言，这种把软性判断翻译成可审计规则的做法，往往比单纯依赖模型自觉更可信。
数据能给底气，也给边界
Salesforce 披露，过去两年在 Agentforce 与 Slack 上已交付 70 亿 Agentic Work Units（AWU，单个智能体完成的一个离散任务），仅第二季度就 32 亿。客户侧数字包括：Hibbett AI 上线六周处理了 90% 的核心购物旅程；Anthropic 经 Fin 处理的对话里 79% 自主解决；Autism Queensland 七成行政请求由 Paige 解决；Perk 六成销售管线由 Hunter 搭建。这些是生产环境的解决率，不是试点指标，给采购方提供了拿去和财务、运营论证回报率的依据。
但要保留两点克制。其一，这些数字来自厂商披露，口径与第三方复核尚未公开，适合作为「能跑通」的样例而非通用回报承诺。其二，AWU 计量的是任务次数，不等于业务价值；真正的降本增效仍要看单位任务成本与质量波动。
几点需要保留的谨慎
其一，岗位 Agent 降低了起步门槛，却也提高了迁移成本：越深地绑进 Customer 360，越难整体迁出。预配置是一把双刃剑。
其二，长期运行时把「目标持续追下去」交给平台，但跨天任务里的权限、审批与回滚边界，仍需企业自己定义清楚，平台只提供机制。
其三，Agent Script 与多智能体编排的结合，对中小团队是不小的治理负担，需要先想清「哪些 Agent 能指挥哪些 Agent」。
其四，Hunter 的通用可用时间表、AI Skills 与 Agent Optimizer 在各区域的开放节奏，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。